Microsoft introduserer MAI-Voice-1 og MAI-1-preview: hastighet og autonomi

Siste oppdatering: 10 september 2025
Forfatter: TecnoDigital
  • MAI‑Voice‑1 (Ultra-Fast Voice) og MAI‑1‑Preview (Tekst med MoE) ankommer som Microsofts første interne modeller.
  • MAI-Voice-1 genererer 1 minutt med lyd på <1 sekund ved hjelp av en GPU og er nå tilgjengelig i Copilot Daily, Podkaster og Labs.
  • MAI-1-forhåndsvisning ble trent på omtrent 15.000 100 HXNUMX-er, integreres i Copilot i begrenset grad og testes i LMArena.
  • Strategi: Reduser avhengigheten av OpenAI og orkestrer spesialiserte modeller med fokus på brukeren.

Microsoft MAI-modeller

Microsoft har tatt et grep og presenterer sine første internt utviklede kunstig intelligens-modeller, et skritt som markerer et taktskifte i strategien deres og er rettet direkte mot allmennheten med MAI-Voice-1 og MAI-1-preview.

MAI-merket står for «Microsoft AI», og de kommer med to svært tydelige tilbud: ett fokusert på ultrarask tale og det andre på tekst med ekspertarkitektur. Dette plasserer selskapet på en mer uavhengig vei sammenlignet med OpenAI, og opprettholder samarbeid, men styrer fremtiden mot egne modeller som er i stand til å konkurrere med ChatGPT, Gemini og andre innen generativ AI.

Hva er MAI-Voice-1 og MAI-1-forhåndsvisning?

Lansering av MAI-modeller

MAI-1-preview er, ifølge Microsoft, en intern modell med en blanding av eksperter (MoE)-arkitektur trent i to trinn (før-trening og etter-trening) på omtrent 15 000 NVIDIA H100 GPU-er. Denne «ekspert»-konfigurasjonen aktiverer bare de delkomponentene som er nødvendige for hver oppgave, og søker effektivitet og en bedre tilpasning til brukerens intensjon.

Når det gjelder produktet, oppgir selskapet at denne tekstmodellen er utviklet for å følge instruksjoner og gi nyttige svar på hverdagslige spørsmål . Derfor vil den første utrullingen være kontrollert: den vil bli introdusert for noen tekstscenarioer i Copilot i løpet av de neste ukene for å lære av interaksjon og tilbakemeldinger i den virkelige verden.

I tillegg til denne gradvise integrasjonen har Microsoft muliggjort offentlig testing på LMArena-plattformen for å samle inn flere signaler av høy kvalitet. Parallelt planlegger de å gjøre den tilgjengelig for utviklere via et API, og dermed styrke evalueringen og den kontinuerlige forbedringsprosessen for modellen.

Selskapet understreker at de ikke vil forlate andre AI-motorer: de vil fortsette å bruke de beste modellene fra sitt eget team, partnere som Anthropic og åpen kildekode-økosystemet der det gir mening. På kort sikt er ikke MAI-1-preview ment å erstatte GPT-5 i Copilot; den vil snarere bli brukt i spesifikke tilfeller der den kan tilby klare fordeler.

I mellomtiden er MAI-Voice-1 Microsofts taletilbud: en «svært uttrykksfull og naturlig» generativ modell som allerede er tilgjengelig i Copilot Daily og Podcasts, og også tilgjengelig som nye opplevelser i Copilot Labs. Visjonen bak den er klar: «stemme er fremtidens grensesnitt» for mer nyttige og brukervennlige AI-assistenter.

Det tekniske løftet er slående: den kan produsere ett minutt med lyd på under et sekund ved hjelp av én GPU . Denne hastigheten, kombinert med høykvalitets klangfarge og muligheten til å håndtere scenarier med én eller flere stemmeskuespillere, plasserer MAI-Voice-1 blant de mest effektive talesyntesesystemene som er tilgjengelige i dag.

  Hva er virtualisering? 10 nøkler til å forstå denne revolusjonerende teknologien

I offentlige tester og demonstrasjoner høres lyden overraskende jevn ut, med overbevisende intonasjon og rytme, selv om språkstøtten for øyeblikket er begrenset til engelsk . Tilpasning av stiler og stemmer utforskes gjennom Copilot Labs, hvor Microsoft har introdusert opplevelser som «Copilot Audio Expressions».

En merkelig detalj: de valgte navnene (MAI-Voice-1 og MAI-1-preview) er klare og «svært ingeniøraktige ». Utover denne anekdoten er det relevante poenget at de markerer en veikart mot en katalog av spesialiserte modeller med forbrukerfokus, der hastighet, effektivitet og brukervennlighet prioriteres.

MAI-Voice-1: muligheter, bruksområder og hvor du kan prøve det

MAI-stemme i Copilot

MAI-Voice-1 presenteres som et generativt lydsystem med høy kvalitet som er i stand til å dubbe, fortelle og lage voiceovers på et blunk. Hovedsalgsargumentet er latens: å generere opptil et minutt med lyd på under et sekund med en enkelt GPU muliggjør applikasjoner i nær sanntid.

Den første integrasjonen er implementert i Copilot Daily og Podcasts , hvor AI allerede syntetiserer sammendrag og talte segmenter. For å eksperimentere med stiler og nyanser lanserer Copilot Labs «Copilot Audio Expressions», med demonstrasjoner av fortellerstemme og uttrykksfull tale som brukerne kan utforske.

I disse opplevelsene introduserer Microsoft alternativer som en emosjonell modus (som kontrollerer tone og rytme) eller en historiemodus med en mer teatralsk fortellerstemme. Målet er å tilby en palett av tilpasningsdyktige stemmer og stiler, både for en enkelt forteller og for scener med flere stemmeskuespillere.

Selskapet understreker at modellen er ressurseffektiv : den opererer med én GPU og oppnår fortsatt et bemerkelsesverdig nivå av uttrykksevne. Denne balansen mellom kostnad og kvalitet gjør den attraktiv for forbrukerprodukter og for team som mangler omfattende inferensinfrastruktur.

Blant de tydeligste bruksområdene som Microsoft foreslår er historiefortelling, generering av guidede meditasjoner , laging av voiceover-skript og å gi samtalehjelp i sanntid. Alt dette med en stemme som er designet for å være naturlig og tilpasningsdyktig til konteksten.

  • Fortelling og historiefortelling: historier, lydguider, språklæring eller historier med flere karakterer.
  • Innholdsproduksjon: automatiserte podkaster, produkttrailere, reklameartikler eller daglige sammendrag.
  • Assistanse og tilgjengelighet: lese tekster, støtte brukere med synsvansker eller raskt lage muntlige instruksjoner.
  • Interaktive opplevelser: stemmeresponsassistenter, kontekstuelle guider i apper og spill, eller støtteroboter med forskjellige toner.

En viktig funksjon er flerstemmefunksjonen , som er nyttig for dramatiseringer, simulerte intervjuer eller forskjellige roller innenfor samme lydopptak. Denne fleksibiliteten i lydbildet gjør det mulig å lage rikere innhold uten å måtte gå i studio eller koordinere menneskestemmer.

  Android 16: Viktige nye funksjoner, utrulling og forbedringer av sikkerhet og anrop

I demoene er det nok å bare be om «en historie om X» for å produsere et minutt med lyd med forskjellige stemmer og intonasjoner i løpet av et sekund. Selv om det er for tidlig å vurdere alle nyansene fullt ut, formidler de første resultatene en overbevisende naturlighet som passer for daglig bruk.

Foreløpig er MAI-Voice-1 engelskfokusert , noe som er verdt å vurdere hvis hovedmålgruppen din er spansktalende. Arkitekturen og ytelsen antyder imidlertid muligheten for bredere språkstøtte etter hvert som opplæringen og den offentlige evalueringen skrider frem.

Det er verdt å huske at Microsoft, når det gjelder sikkerhet og etikk, har gjentatt at de vil eliminere enhver funksjon som får AI til å virke som om den har følelser eller egne mål . Tanken er å forbedre nytten uten å antropomorfisere den, noe som er spesielt sensitivt i stemmebaserte samtaleassistenter.

MAI-1-forhåndsvisning: Arkitektur, distribusjon og strategi

Forhåndsvisning 1. mai i Copilot

MAI-1-preview er den første grunnleggende tekstmodellen som er laget av Microsoft innenfor MAI-avdelingen. Den har blitt trent i bemerkelsesverdig skala (rundt 15 000 H100) og bruker MoE-tilnærmingen: en «blanding av eksperter» der bare de relevante delene av modellen aktiveres for hver input.

Denne designen muliggjør fordeling av ferdigheter blant eksperter og forbedrer ytelsen i instruksjonsfølgende oppgaver . Microsoft har som mål å tilby nyttige, hverdagslige løsninger, og prioriterer sluttbrukeropplevelsen fremfor et rent forretningsfokus.

I praksis vil utrullingen være i to trinn. Først vil en foreløpig versjon av modellen bli distribuert i noen få tekstbaserte scenarier i Copilot , på en kontrollert måte, for å måle telemetri og samle tilbakemeldinger. Deretter, basert på denne tilbakemeldingen, vil modellens oppførsel justeres og omfanget utvides.

For det andre har selskapet åpnet testtilgang på LMArena for offentlig evaluering . Denne kanalen akselererer forbedringssyklusen, gir varierte innspill og muliggjør identifisering av finjusteringsmuligheter før bredere integrering.

Microsoft gjør det klart at MAI-1-preview (foreløpig) ikke erstatter GPT-5 i Copilot . Strategien er å bruke «riktig modell for riktig jobb», integrere MAI-1-preview i spesifikke oppgaver og kontinuerlig sammenligne ytelsen.

Samtidig bekrefter selskapet at det vil fortsette å stole på en kombinasjon av motorer: sine egne, de fra partnere som OpenAI, og innovasjoner fra åpen kildekode-miljøet . På denne måten kan Copilot dra nytte av både MAIs autonomi og den beste tilgjengelige modellen på hvert område.

Hele dette trekket er en del av et større skifte: å redusere den teknologiske avhengigheten av OpenAI og bygge en robust, proprietær AI-infrastruktur. Mustafa Suleyman, leder for Microsoft AI, har understreket at målet er å optimalisere for sluttbrukeren, ved å utnytte brukssignaler (telemetri, atferd) for å levere mer nyttige og personlige assistenter.

  Fremtiden for det mobile AI-grensesnittet

Microsofts visjon er å «orkestrere en rekke spesialiserte modeller » som dekker ulike intensjoner og situasjoner, og generere «enorm verdi» for brukerne. Selskapet beskriver det som «porten til et kunnskapsunivers», en ambisjon som oversettes til å integrere AI i kategoridefinerende produkter.

Når det gjelder ansvarlig design, understreket Suleyman også viktigheten av å unngå antropomorfisme : å bygge AI for mennesker, men ikke som om de var «digitale mennesker». Dette er spesielt relevant for stemmemodeller og assistenter som kan gi inntrykk av å ha følelser.

For organisasjoner og profesjonelle firmaer presenterer denne nye generasjonen modeller både muligheter og ansvar. På kort sikt forventes det reelle fordeler innen automatisering , sammendrag, beslutningsstøtte og generering av muntlig innhold med reduserte slutningskostnader.

  • MAI-Stemme-1 Du kan aktivere konsultasjonsassistenter eller taleinnhold (podkaster, spesialiserte forklaringer) med naturlige resultater og umiddelbar produksjon.
  • MAI-1 forhåndsvisning åpner døren for automatiske svar, sammendrag, utkast og støtte for tekstoppgaver, som gradvis kan integreres i Copilot.

Utfordringen ligger i å sikre personvern, sikkerhet og samsvar med regelverk. For å unngå tilbakeslag er det lurt å starte med begrensede pilotprogrammer, gjennomføre interne revisjoner av ledetekster og lanseringer, lære opp team og overvåke databruk (både input og telemetri) for å forhindre overraskelser.

Hvis operasjonen din er avhengig av tale, er fordelen med MAI-Voice-1 når det gjelder latens og kvalitet svært attraktiv. Hvis fokuset er på tekst, er MAI-1-preview interessant på grunn av fokuset på instruksjonssporing og det offentlige testrammeverket som akselererer modelllæring.

Det er også nyttig å være klar over de nåværende begrensningene: MAI-Voice-1 fokuserer på engelsk , og MAI-1-preview er fortsatt i testfasen, med utrulling begrenset til spesifikke tilfeller. Likevel er Microsofts foreslåtte iterasjonstakt raskt og antyder raske forbedringer.

Til slutt er det viktig at Microsoft sier at de vil fortsette å kombinere modellene sine – partnermodellene og åpen kildekode . Denne hybride tilnærmingen peker mot et Copilot-system som velger den beste motoren for hver oppgave, uten å forplikte seg til én enkelt teknologi, og som har som mål å maksimere verdien for sluttbrukeren.

Kunngjøringen av MAI-Voice-1 og MAI-1-preview demonstrerer en mer autonom strategi fokusert på hastighet, effektivitet og praktisk nytteverdi. Hvis integrasjonen med Copilot og evalueringen i LMArena leverer resultatene Microsoft forventer, vil vi ha to sentrale søyler i MAI-økosystemet for både forbruker- og profesjonelle produkter.

gpt-5-0
Relatert artikkel:
GPT-5: Alt om den neste store revolusjonen innen kunstig intelligens